JPWO2018147215A1 - Abnormality determination device, abnormality determination method, and abnormality determination program - Google Patents
Abnormality determination device, abnormality determination method, and abnormality determination program Download PDFInfo
- Publication number
- JPWO2018147215A1 JPWO2018147215A1 JP2018567412A JP2018567412A JPWO2018147215A1 JP WO2018147215 A1 JPWO2018147215 A1 JP WO2018147215A1 JP 2018567412 A JP2018567412 A JP 2018567412A JP 2018567412 A JP2018567412 A JP 2018567412A JP WO2018147215 A1 JPWO2018147215 A1 JP WO2018147215A1
- Authority
- JP
- Japan
- Prior art keywords
- observation
- information
- abnormality determination
- degree
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0237—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on parallel systems, e.g. comparing signals produced at the same time by same type systems and detect faulty ones by noticing differences among their responses
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D1/00—Measuring arrangements giving results other than momentary value of variable, of general application
- G01D1/16—Measuring arrangements giving results other than momentary value of variable, of general application giving a value which is a function of two or more values, e.g. product or ratio
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
検査対象に関する異常を正確に判定することが可能な異常判定装置等を提供する。異常判定装置301は、測対象に関する状態が変化する態様を表すシナリオに従い予測された予測情報と、該観測対象に関して検査対象によって作成された観測情報と、の間における差異が散らばっている程度を算出する算出部302と、算出部302が算出した前記程度に基づき、該検査対象が異常であるか否かを判定する判定部303とを有する。Provided is an abnormality determination device and the like that can accurately determine an abnormality related to an inspection target. The abnormality determination device 301 calculates the degree to which the difference between the prediction information predicted according to the scenario representing the state in which the state of the measurement target changes and the observation information created by the inspection target with respect to the observation target is scattered. And a determination unit 303 that determines whether or not the inspection target is abnormal based on the degree calculated by the calculation unit 302.
Description
本発明は、検査対象に関する異常を判定する異常判定装置等に関する。 The present invention relates to an abnormality determination device for determining an abnormality related to an inspection object.
観測装置を検査する場合には、実際に該観測装置が設置されている地点まで行き、該観測装置に応じた試験を実施し、該試験の結果に基づき該観測装置に異常が生じているのか否かが判定されることが多い。以降、検査を受ける対象である装置(たとえば、該観測装置)を「検査対象」と表す。しかし、このように検査対象を検査する場合に、検査対象の個数が多い、または、該検査対象が設置されている地点が広く分散しているほど、該検査に要する手間は大きく、さらに、該検査に要する時間は長い。 When inspecting an observation device, go to the point where the observation device is actually installed, conduct a test according to the observation device, and whether there is an abnormality in the observation device based on the result of the test It is often determined whether or not. Hereinafter, an apparatus (for example, the observation apparatus) that is an object to be inspected is represented as “inspection object”. However, when inspecting an inspection object in this way, the more the number of inspection objects is, or the more widely the points where the inspection objects are installed, the greater the effort required for the inspection. The time required for the inspection is long.
たとえば、特許文献1と特許文献2とにおいては、検査対象に関する異常を検知する装置が開示されている。 For example, Patent Literature 1 and Patent Literature 2 disclose an apparatus that detects an abnormality relating to an inspection target.
特許文献1に開示された装置は、プラントの状態を表す動的モデル情報に従い該プラントの状態を予測し、予測された該状態と、該プラントを観測している観測装置によって作成された情報との差異(すなわち、残差信号)に関する尤度比に基づき、該観測装置に生じる異常を検知する。 The apparatus disclosed in Patent Document 1 predicts the state of the plant according to dynamic model information representing the state of the plant, and the predicted state and information created by the observation device observing the plant An abnormality occurring in the observation apparatus is detected based on the likelihood ratio relating to the difference (ie, residual signal).
特許文献2に開示された装置は、データセンタに設置された空調装置によって生じる温度変化を表す物理モデル情報に従い、該温度に関する熱流体シミュレーションを実行し、該シミュレーションの結果と、該データセンタを観測している観測装置によって作成された情報との差異に基づき、該観測装置に生じる異常を検知する。 The apparatus disclosed in Patent Document 2 executes a thermal fluid simulation related to the temperature in accordance with physical model information representing a temperature change caused by an air conditioner installed in the data center, and observes the result of the simulation and the data center. An abnormality occurring in the observation device is detected based on the difference from the information created by the observation device.
検査対象は、たとえば、真の値から乖離した値を表す観測情報を時々作成する状態等の不安定な状態を経て、故障した状態に至ることも多い。しかし、特許文献1または特許文献2に開示された装置は、必ずしも、検査対象に生じた不安定な状態を検知することができない。この理由は、これらの装置が、検査対象に生じた不安定な状態を、該検査対象に関する異常であると判定するとは限らないからである。 For example, the inspection target often reaches a failure state through an unstable state such as a state where observation information representing a value deviating from a true value is sometimes created. However, the apparatus disclosed in Patent Document 1 or Patent Document 2 cannot always detect an unstable state generated in the inspection target. This is because these apparatuses do not always determine that an unstable state that has occurred in the inspection object is an abnormality related to the inspection object.
そこで、本発明の目的の1つは、検査対象に関する異常を正確に判定することが可能な異常判定装置等を提供することである。 Then, one of the objectives of this invention is providing the abnormality determination apparatus etc. which can determine the abnormality regarding a test object correctly.
本発明の1つの態様として、異常判定装置は、
観測対象に関する状態が変化する態様を表すシナリオに従い予測された予測情報と、前記観測対象に関して検査対象によって作成された観測情報と、の間における差異が散らばっている程度を算出する算出手段と、
前記算出手段が算出した前記程度に基づき、前記検査対象が異常であるか否かを判定する判定手段と
を備える。As one aspect of the present invention, the abnormality determination device includes:
Calculation means for calculating the degree to which the difference between the prediction information predicted according to the scenario representing the state in which the state related to the observation object changes and the observation information created by the inspection object with respect to the observation object is scattered,
Determination means for determining whether or not the inspection object is abnormal based on the degree calculated by the calculation means.
また、本発明の他の態様として、異常判定方法は、
情報処理装置によって、観測対象に関する状態が変化する態様を表すシナリオに従い予測された予測情報と、前記観測対象に関して検査対象によって作成された観測情報と、の間における差異が散らばっている程度を算出し、算出した前記程度に基づき、前記検査対象が異常であるか否かを判定する。As another aspect of the present invention, the abnormality determination method includes:
The degree to which the difference between the prediction information predicted according to the scenario representing the state in which the state related to the observation target changes by the information processing device and the observation information created by the inspection target regarding the observation target is scattered is calculated. Based on the calculated degree, it is determined whether or not the inspection object is abnormal.
また、本発明の他の態様として、異常判定プログラムは、
観測対象に関する状態が変化する態様を表すシナリオに従い予測された予測情報と、前記観測対象に関して検査対象によって作成された観測情報と、の間における差異が散らばっている程度を算出する算出機能と、
前記算出機能において算出された前記程度に基づき、前記検査対象が異常であるか否かを判定する判定機能と
をコンピュータに実現させる。As another aspect of the present invention, the abnormality determination program is
A calculation function for calculating the degree to which the difference between the prediction information predicted according to the scenario representing the state in which the state related to the observation target changes and the observation information created by the inspection target regarding the observation target is scattered,
Based on the degree calculated by the calculation function, a computer is provided with a determination function for determining whether or not the inspection object is abnormal.
さらに、同目的は、係るプログラムを記録するコンピュータが読み取り可能な記録媒体によっても実現される。 Furthermore, this object is also realized by a computer-readable recording medium that records the program.
本発明に係る異常判定装置等によれば、検査対象に関する異常を正確に判定することができる。 According to the abnormality determination device and the like according to the present invention, it is possible to accurately determine abnormality relating to an inspection object.
次に、本発明を実施する実施形態について図面を参照しながら詳細に説明する。 Next, embodiments for carrying out the present invention will be described in detail with reference to the drawings.
<第1の実施形態>
図1を参照しながら、本発明の第1の実施形態に係る異常判定装置101が有する構成について詳細に説明する。図1は、本発明の第1の実施形態に係る異常判定装置101が有する構成を示すブロック図である。<First Embodiment>
With reference to FIG. 1, the configuration of the
第1の実施形態に係る異常判定装置101は、予測部102と、算出部103と、判定部104と、情報記憶部105とを有する。
The
観測装置152は、たとえば、観測対象に関して温度等の物理的な状態を観測し、観測した該物理的な状態を表す量を示す観測情報を作成し、作成した観測情報を情報記憶部105に格納する。言い換えると、観測情報は、観測対象に関して観測された情報を表す。観測装置152は、作成した該観測情報をパーソナルコンピュータ等の情報処理装置に出力してもよい。観測装置152は、観測対象に適した観測を実行する。観測対象が、たとえば、自動車等の移動体の動きである場合に、観測装置152は、たとえば、加速度センサ、ジャイロセンサ、撮像装置、車内の温度を測定する温度計等を用いることによって実現することができる。観測装置152は、上記の例に限定されない。
The
情報記憶部105には、該観測情報とは異なる情報が格納されてもよい。情報記憶部105には、たとえば、気温、湿度等の気象に関する公用情報(パブリックデータ)が格納されてもよい。情報記憶部105に格納される情報は、上述した例に限定されない。
Information different from the observation information may be stored in the
以降の説明においては、情報記憶部105には、観測対象に関して作成された観測情報が格納されているとする。
In the following description, it is assumed that observation information created for the observation target is stored in the
次に、図2を参照しながら、本発明の第1の実施形態に係る異常判定装置101における処理について詳細に説明する。図2は、第1の実施形態に係る異常判定装置101における処理の流れを示すフローチャートである。図2において異常判定装置101は、観測装置を検査対象として観測装置が異常であるか否かを判定する。
Next, processing in the
予測部102は、情報記憶部105に格納されている観測情報を読み取る(ステップS101)。予測部102は、観測対象に関するモデル情報に基づき、該観測対象に関する状態を予測(predict)し、予測した結果を表す予測情報を作成する(ステップS102)。該モデル情報は、たとえば、式1(後述する)、または、式2(後述する)に例示されているような、観測対象に関する状態を表す情報である。
The
予測部102は、さらに、予測した状態が、時間経過とともに変化する態様を表す、シナリオ(scenario)を作成してもよい。この場合に、シナリオに含まれている状態は、観測対象に関して予測した状態を表す。該状態は、たとえば、該観測対象を観測している観測装置(検査対象)によって作成される観測情報に関して予測された情報を表す。言い換えると、予測部102は、観測対象に関する状態が変化する態様を表す、シナリオを予測する。
The
モデル情報は、たとえば、物体が自由落下する動き等の物理的な事象を表す運動方程式であってもよい。モデル情報は、観測対象に関する状態が数理的に表されたモデル情報であればよく、上述した例に限定されない。該モデル情報は、たとえば、式1、及び、式2を参照しながら後述するような、状態空間モデル情報であってもよい。 The model information may be, for example, an equation of motion representing a physical event such as a free fall of an object. The model information may be model information in which the state related to the observation target is mathematically expressed, and is not limited to the above-described example. The model information may be state space model information as will be described later with reference to Equations 1 and 2, for example.
算出部103は、予測部102が作成した予測情報と、情報記憶部105に格納されている観測情報とに基づき、該予測情報を作成する基であるモデル情報に含まれているパラメタ(変数)の値を、該観測情報に適合するよう調整する。すなわち、算出部103は、該予測情報と、該観測情報とに基づき、モデル情報において、状態を表すパラメタを含むパラメタの値を調整する(ステップS103)。算出部103は、ステップS103において、該観測情報と、該予測情報との間のノイズ(観測ノイズ)を算出し、算出したノイズに基づき該パラメタの値を調整する。ステップS103に示された処理は、たとえば、後述する「データ同化」と呼ばれる処理であってもよい。また、ステップS103に示された処理は、予測部102によって実行されてもよい。
Based on the prediction information created by the
算出部103は、該観測情報と該予測情報との間における差異が、上述したシナリオに関して散らばっている程度(度合)を算出する(ステップS104)。たとえば、観測情報と予測情報との間における差異が第1シナリオで3、第2シナリオで4、第3シナリオで5である場合、これらの差異が第1乃至第3シナリオに関して散らばっている程度は、3、4、5の分散(約0.666)である。したがって、該予測情報が正確である場合には、該程度が大きな値であるほど、該観測情報を作成した検査対象が不安定な状態であることを表す。また、該程度が小さな値であるほど、該観測情報を作成した検査対象が安定な状態であることを表す。差異が散らばっている程度は、式1乃至式3を参照しながら後述するような程度であってもよい。
The
また、シナリオは、粒子フィルタ等の技術にて用いられているように、複数のシナリオであってもよい。複数のシナリオの場合に、算出部103は、上述した処理と同様に、複数のシナリオに関して、散らばっている程度を算出する。または、シナリオは、カルマンフィルタ等の技術にて用いられているように、1つのシナリオであってもよい。この場合に、算出部103は、該シナリオに関する所定の分布に基づき、散らばっている程度を算出する。
Further, the scenario may be a plurality of scenarios as used in a technique such as a particle filter. In the case of a plurality of scenarios, the
判定部104は、算出部103が算出した程度と、所定の程度との大小を比較する(ステップS105)。判定部104は、該程度が所定の程度以上である場合に(ステップS105にてYES)、観測情報を作成した検査対象(この場合に、観測装置152)が異常であると判定する(ステップS106)。判定部104は、該程度が所定の程度未満である場合に(ステップS105にてNO)、観測情報を作成した検査対象(この場合に、観測装置152)が正常であると判定する(ステップS107)。
The
判定部104は、観測装置152が異常であるか否かを表す情報を表示部151に表示する。
The
次に、ステップS103等に示された処理の一例として、データ同化(Data_assimilation)について、詳細に説明する。データ同化は、数理モデルと、観測値とを融合する技術を表す。データ同化にて実行される処理は、式1に例示されているシステムモデル情報、及び、式2に例示されている観測モデル情報によって表される状態空間モデル情報を用いて表すことができる。 Next, data assimilation (Data_assignment) will be described in detail as an example of the processing shown in step S103 and the like. Data assimilation represents a technology that fuses mathematical models and observations. The process executed in the data assimilation can be expressed by using the system model information exemplified in Equation 1 and the state space model information represented by the observation model information exemplified in Equation 2.
xt=ft(xt−1)+vt・・・(式1)、
yt=ht(xt)+wt・・・(式2)、
ただし、xtは、タイミングtにおける観測対象に関する状態を表す複数の符号(または、数値、記号)を含む状態ベクトル(状態配列)である。ftは、タイミング(t−1)における状態ベクトルと、タイミングtにおける状態ベクトルとの関係性を表すシステムモデル情報を表す。ftは、たとえば、時間発展(time_development)を表す連立一次方程式を陽解法にて離散化した場合にタイミング順に状態を求める処理、または、該連立一次方程式を陰解法にて離散化した場合に連立一次方程式を解くことにより状態を求める処理を表す。vtは、タイミングtに関するシステムモデル情報に関するシステムノイズを表す。ytは、タイミングtに関する観測情報(たとえば、観測値)を表す。htは、タイミングtに関する状態ベクトルと、タイミングtに関する観測情報との関係性を表す観測モデル情報を表す。wtは、タイミングtにおける観測モデル情報に関する観測ノイズを表す。xtは、複数の観測装置によって作成された、それぞれの観測情報に関する状態を表していてもよい。ft、及び、htは、観測ノイズwtに関する変数θ(式4を参照しながら後述する)等の複数の変数(パラメタ)を含んでいる。x t = f t (x t−1 ) + v t (Equation 1),
y t = h t (x t ) + w t (Expression 2)
Here, xt is a state vector (state array) including a plurality of codes (or numerical values and symbols) representing the state related to the observation target at the timing t. f t represents system model information representing the relationship between the state vector at timing (t−1) and the state vector at timing t. f t is, for example, a process for obtaining a state in order of timing when a simultaneous linear equation representing time development (time_development) is discretized by an explicit method, or a simultaneous linear equation when the simultaneous linear equation is discretized by an implicit method. This represents a process for obtaining a state by solving an equation. v t represents system noise related to system model information related to timing t. y t denotes the observation information relating to the timing t (e.g., the observed value). h t represents the state vector about the timing t, the observation model information representing the relationship between the observed information about the timing t. w t represents observation noise related to observation model information at timing t. x t was generated by a plurality of observation devices may represent a state for each of the observation information. f t and h t include a plurality of variables (parameters) such as a variable θ (described later with reference to Equation 4) related to the observation noise w t .
以降、説明の便宜上、各ベクトル(ht(xt)等)、及び、観測ノイズwtは、1つの値のみを含んでいるとする。しかし、各ベクトル、及び、観測ノイズは、複数の値を含んでいてもよい。各ベクトル、及び、観測ノイズが複数の値を含んでいる場合には、後述するような処理が各値に関して実行される。Hereinafter, for convenience of explanation, it is assumed that each vector (h t (x t ) and the like) and the observation noise w t include only one value. However, each vector and observation noise may include a plurality of values. When each vector and the observation noise include a plurality of values, processing described later is executed for each value.
観測ノイズwtは、たとえば、観測装置152によって作成された観測情報に関するノイズを表す。観測ノイズwtがゼロから離れるほど、観測装置152によって作成された観測情報は、大きなノイズを含んでいる。すなわち、観測ノイズwtの値がゼロから離れるほど、観測情報と、予測情報との乖離は大きい。これに対して、観測ノイズwtの値がゼロに近いほど、観測情報と、予測情報との乖離は小さい。The observation noise w t represents noise relating to observation information created by the
説明の便宜上、観測ノイズwtが、式3に示されているように、シナリオに関して、平均が0であり、分散がγ2(ただし、γ≧0)である正規分布に従い生じていると仮定する。For convenience of explanation, it is assumed that the observation noise w t is generated according to a normal distribution with an average of 0 and a variance of γ 2 (where γ ≧ 0) for the scenario, as shown in
wt〜N(0、γ2)・・・(式3)、
ただし、N(0、γ2)は、平均が0であり、分散がγ2である正規分布を表す。演算子「〜」は、該演算子の左側の変数の値が、該演算子の右側に示された分布に従っていることを表す。w t to N (0, γ 2 ) (Equation 3),
However, N (0, γ 2 ) represents a normal distribution having an average of 0 and a variance of γ 2 . The operator “˜” represents that the value of the variable on the left side of the operator follows the distribution shown on the right side of the operator.
この場合には、観測ノイズwtに関する分散γ2が大きな値であるほど、観測装置152は、不安定な状態である。また、観測ノイズwtに関する分散γ2がゼロに近いほど、観測装置152は、安定した状態である。In this case, the
データ同化における観測ノイズwtは、図2を参照しながら説明した差異の一例を表す。また、分散は、図2を参照しながら説明したような、散らばっている程度(散らばり度)の一例を表す。The observation noise w t in data assimilation represents an example of the difference described with reference to FIG. The dispersion represents an example of the degree of dispersion (the degree of dispersion) as described with reference to FIG.
観測ノイズwtは、たとえば、予測情報と、観測情報とに基づき算出される評価値を用いることによって算出することができる。評価値は、たとえば、式4に例示された尤度E(θ)に従い算出される、
E(θ)=ΠT {t=1} p(yt|x(t|t―1),θ)・・・(式4)、
ただし、θは、観測ノイズwtに関する変数を表す。ΠT {t=1}は、1≦t≦Tを満たしているtに関して積を算出する演算を表す。pは、確率密度関数を示す。x(t|tー1)は、状態ベクトルxt―1に、式1に関する処理を適用することによって算出された状態ベクトルであり、かつ、タイミングtに関する状態ベクトルであることを表す。p(yt|x(t|t―1),θ)は、状態ベクトルx(t|t―1)、及び、変数θによって表される観測ノイズが生じた場合に、観測情報(観測ベクトルyt)が生じる確率を表す。The observation noise w t can be calculated, for example, by using an evaluation value calculated based on the prediction information and the observation information. The evaluation value is calculated according to the likelihood E (θ) exemplified in Equation 4, for example.
E (θ) = Π T {t = 1} p (y t | x (t | t−1) , θ) (Expression 4),
However, θ represents the variables related to the observation noise w t. Π T {t = 1} represents an operation for calculating a product with respect to t satisfying 1 ≦ t ≦ T. p represents a probability density function. x (t | t−1) represents a state vector calculated by applying the processing related to Equation 1 to the state vector x t−1 and is a state vector regarding the timing t. p (y t | x (t | t−1) , θ) is the observation information (observation vector) when the observation noise represented by the state vector x (t | t−1) and the variable θ occurs. y t ) represents the probability of occurrence.
確率密度関数pが1に近い場合には、予測情報(状態ベクトルxt)が生じれば観測情報(観測ベクトルyt)が観測される確率は高い。すなわち、この場合に、予測情報と観測情報との関連性は高い。該確率密度関数pがゼロに近い場合には、予測情報(状態ベクトルxt)が生じても観測情報(観測ベクトルyt)が観測される確率は低い。すなわち、この場合に、予測情報と観測情報との関連性は低い。When the probability density function p is close to 1, if prediction information (state vector x t ) occurs, the probability that observation information (observation vector y t ) is observed is high. That is, in this case, the relevance between the prediction information and the observation information is high. When the probability density function p is close to zero, even if prediction information (state vector x t ) occurs, the probability that observation information (observation vector y t ) is observed is low. That is, in this case, the relevance between the prediction information and the observation information is low.
したがって、式4に示す例の場合において、E(θ)は、タイミング1からタイミングtまでの期間に関する、観測情報と、予測情報及び観測ノイズとの関連性を表す。言い換えると、E(θ)は、予測情報と、観測ノイズ(すなわち、観測情報と、予測情報との差異)とが生じた場合に、該観測情報が生じる生じやすさの程度を表す。観測ノイズwtは、該関連性が高くなるよう設定される。たとえば、観測ノイズwtを、E(θ)が最大である場合の変数θの値として算出することができる。言い換えると、データ同化においては、予測精度が高くなるような変数θの値が観測ノイズwtとして設定される。つまり、データ同化においては、予測情報と、観測情報とが尤もらしい場合における変数θの値が観測ノイズwtとして設定される。言い換えると、算出部103は、観測情報が生じやすい(すなわち、E(θ)が大きな値である)場合の変数θの値が、観測ノイズ(差異)として算出される。算出部103(または、予測部102)は、ステップS102、及び、ステップS103にて、たとえば、上述したようなデータ同化に関する処理を実行してもよい。Therefore, in the case of the example shown in Expression 4, E (θ) represents the relationship between the observation information, the prediction information, and the observation noise regarding the period from timing 1 to timing t. In other words, E (θ) represents the degree to which the observation information is easily generated when the prediction information and the observation noise (that is, the difference between the observation information and the prediction information) are generated. The observation noise w t is set so that the relevance is high. For example, the observation noise w t can be calculated as the value of the variable θ when E (θ) is maximum. In other words, in data assimilation, the value of the variable θ that increases the prediction accuracy is set as the observation noise w t . That is, in the data assimilation, the value of the variable θ when the prediction information and the observation information are likely is set as the observation noise w t . In other words, the
判定部104は、たとえば、タイミングtに関して算出した程度(すなわち、差異が散らばっている程度)と、タイミング(t−1)に関して算出した該程度との大小に基づき、該差異の基である観測情報を作成した観測装置152が異常であるか否かを判定してもよい。この場合には、判定部104は、たとえば、タイミング(t−1)に関して算出した程度に対する、タイミングtに関して算出した程度の比が所定の閾値(たとえば、(所定の閾値)>1)以上である場合に、観測装置152が異常であると判定してもよい。判定部104は、たとえば、タイミング(t−1)に関して算出した程度に対する、タイミングtに関して算出した程度の差に基づき、観測装置152が異常であるか否かを判定してもよい。該所定の閾値は、過去に算出された該程度と、観測装置152に実際に生じた異常とに基づき、統計的手法に従い決定されてもよい。
The
判定部104は、タイミングが2つ以上離れたタイミングに関して算出された該程度に基づき、該差異の基である観測情報を作成した観測装置152が異常であるか否かを判定してもよい。
The
上述した処理をまとめると、算出部103は、第1タイミングと、該第1タイミングよりも後の第2タイミングとに関して、観測ノイズ(すなわち、差異)を算出する。判定部104は、該第2タイミングに関して算出された差異が、該第1タイミングに関して算出された差異よりも、所定の閾値(ただし、正の値)分以上に大きな値である場合には、該差異の基である観測情報を作成した観測装置(すなわち、検査対象)が異常であると判定する。
In summary, the
また、判定部104は、ある期間に関する程度を、該ある期間に含まれているタイミングに関する該程度を合計(または、積分)することによって算出してもよい。この場合に、判定部104は、2つの期間に関する該程度の大小に基づき、該差異の基である観測情報を作成した観測装置152が異常であるか否かを判定する。
Further, the
また、該程度は、ある期間に関する予測情報と、該ある期間に関する観測情報とに基づき算出されてもよい。この場合に、予測部102は、作成した予測情報を、該ある期間に含まれている各タイミングに関して合計(または、積分)し、さらに、該各タイミングに関して作成された観測情報を合計(または、積分)する。予測部102は、算出した該予測情報と、算出した該観測情報と、式4に例示されたE(θ)とに基づき、観測ノイズ(すなわち、差異)を算出する。
Further, the degree may be calculated based on prediction information regarding a certain period and observation information regarding the certain period. In this case, the
判定部104は、2つの程度の微分値に基づき、該差異の基である観測情報を作成した観測装置152が異常であるか否かを判定してもよい。
The
2つのタイミング、または、2つの期間に関する程度を比較する処理の場合には、図2のステップS105に示された判定処理に関して、所定の程度を設定する必要がないという効果を奏する。 In the case of the process of comparing the degree relating to two timings or two periods, there is an effect that it is not necessary to set a predetermined degree in the determination process shown in step S105 of FIG.
判定部104が判定した結果を表す情報は、ユーザが結果を知ることができる態様であればよく、表示部151に表示する態様と異なる態様であってもよい。判定部104は、たとえば、スピーカー、または、LED(Light_Emission_Diode)を用いて、ユーザに結果を表す情報を出力してもよい。判定部104は、LEDを用いて該結果を表す情報を出力する場合に、該情報の内容に対応した色、または、該情報の内容に対応して点滅するパターンによって出力してもよい。該情報を出力する態様は、上述した例に限定されない。
The information indicating the result determined by the
次に、本発明の第1の実施形態に係る異常判定装置101に関する効果について説明する。
Next, effects related to the
第1の実施形態に係る異常判定装置101によれば、検査対象に関する異常を正確に判定することができる。この理由は、たとえば、観測装置152が機能しない状態に至る前兆として生じる不安定な状態を、異常判定装置101が、散らばっている程度に基づき判定するからである。観測装置152が異常であると異常判定装置101が判定した場合に、ユーザは、観測装置152が有する部品を、交換、または、修理する等の対策を実施することによって、異常に対して迅速に対処することができる。
According to the
異常判定装置101は、観測情報、予測情報、判定結果等を、通信ネットワークを介して通信してもよい。通信ネットワークは、たとえば、有線LAN(Local_Area_Network)、無線LAN、無線通信等である。この場合に、異常判定装置101によれば、観測装置152を検査するのに要する人件費や時間等のコストが低下するという効果を奏する。
The
また、算出部103(または、予測部102)は、データ同化に従い処理を実行する場合に、逐次ベイズフィルタ、カルマンフィルタ、粒子フィルタ等を用いる処理、逐次モンテカルロ法、モンテカルロフィルタを用いる処理を実行してもよい。該処理は、上述した例に限定されない。 In addition, the calculation unit 103 (or the prediction unit 102) performs processing using a sequential Bayes filter, a Kalman filter, a particle filter, etc., a processing using a sequential Monte Carlo method, and a Monte Carlo filter when performing processing according to data assimilation. Also good. The processing is not limited to the above-described example.
<第2の実施形態>
次に、上述した第1の実施形態を基本とする本発明の第2の実施形態について説明する。<Second Embodiment>
Next, a second embodiment of the present invention based on the first embodiment described above will be described.
以降の説明においては、本実施形態に係る特徴的な部分を中心に説明すると共に、上述した第1の実施形態と同様な構成については、同一の参照番号を付すことにより、重複する説明を省略する。 In the following description, the characteristic parts according to the present embodiment will be mainly described, and the same components as those in the first embodiment described above will be denoted by the same reference numerals, and redundant description will be omitted. To do.
図3を参照しながら、本発明の第2の実施形態に係る異常判定装置201が有する構成について詳細に説明する。図3は、本発明の第2の実施形態に係る異常判定装置201が有する構成を示すブロック図である。
With reference to FIG. 3, the configuration of the
第2の実施形態に係る異常判定装置201は、予測部202と、算出部203と、判定部204と、選択部205と、情報記憶部206とを有する。
The
異常判定装置201は、第1観測装置153と、第2観測装置154と、第3観測装置155とに接続されている、または、通信可能に接続されている。第1観測装置153、第2観測装置154、及び、第3観測装置155は、同じ種類の観測装置であってもよいし、異なる種類の観測装置であってもよい。また、説明の便宜上、観測装置の台数は、3台であるとするが、複数であればよい。
The
予測部202は、図1における予測部102と同様な機能を有する。情報記憶部206には、図1における情報記憶部105と同様な情報を格納することができる。
The
次に、図4を参照しながら、本発明の第2の実施形態に係る異常判定装置201における処理について詳細に説明する。図4は、第2の実施形態に係る異常判定装置201における処理の流れを示すフローチャートである。
Next, the processing in the
予測部202は、情報記憶部206に格納されている観測情報を読み取る(ステップS201)。予測部202は、第1観測装置153、第2観測装置154、及び、第3観測装置155によって作成された観測情報を、それぞれ、読み取る。ステップS201に示された処理は、図2におけるステップS101に示された処理と同様な処理である。
The
選択部205は、第1観測装置153、第2観測装置154、または、第3観測装置155のうち、一部の観測装置を、検査対象として選択する(ステップS202)。選択部205は、検査対象として、たとえば、一台の観測装置を選択する。
The
説明の便宜上、選択部205が選択した検査対象は、第1観測装置153であるとする。また、選択部205が検査対象として選択しなかった観測装置(この例では、第2観測装置154、及び、第3観測装置155)を、「参照装置」と表す。また、参照装置によって作成された観測情報を「参照観測情報」と表す。
For convenience of explanation, it is assumed that the inspection target selected by the
予測部202は、観測対象に関するモデル情報と、参照観測情報とに基づき、該観測対象に関して生じる変化を、時間の推移に従い予測し、予測した結果を表す予測情報を作成する(ステップS203)。ステップS203について具体的に説明する。
The
説明の便宜上、第1観測装置153、第2観測装置154、及び、第3観測装置155は、いずれも、観測対象である1台の移動体の加速度を観測し、観測した加速度を表す観測情報を作成すると仮定する。第1観測装置153は、該移動体の中央に設置されているとする。第2観測装置154は、該移動体の一方の端に設置されているとする。第3観測装置155は、該移動体の他方の端に設置されているとする。また、検査対象によって作成された観測情報と、参照観測情報との間には、所定の関係性が成り立っているとする。説明の便宜上、所定の関係性は、式5に例示されている関係性であるとする。
For convenience of explanation, each of the
a1p=(a2+a3)÷2・・・(式5)、
ただし、a1pは、第1観測装置153によって作成される観測情報に関する推定情報を表す。a2は、第2観測装置154によって作成される観測情報を表す。a3は、第3観測装置155によって作成される観測情報を表す。a1p = (a2 + a3) / 2 (Formula 5)
However, a1p represents the estimation information regarding the observation information created by the
該関係性は、所定の関係性であってもよいし、観測情報を用いて推定された関係性であってもよい。関係性は、上述した例に限定されない。すなわち、関係性は、式5に例示された関係性と異なる関係性であってもよい。
The relationship may be a predetermined relationship or a relationship estimated using observation information. The relationship is not limited to the example described above. That is, the relationship may be a relationship different from the relationship illustrated in
ステップS203において、算出部203は、式5に例示されているような所定の関係性に従い、第1観測装置153に関する推定情報(たとえば、式5におけるa1p)を算出する。算出部203は、算出した推定情報と、参照観測情報とに対して、式1、及び、式2を参照しながら説明した処理を実行することによって観測対象に関する状態を予測し、予測した結果を表す予測情報を作成する。この場合に、ステップS203における処理は、図2に示されたステップS102と同様な処理である。
In step S203, the
また、ステップS203における処理は、式1、及び、式2を参照しながら説明した処理に、式5に例示された所定の関係性が反映された処理によっても実現することができる。この処理について、式6及び式7を参照しながら説明する。
The processing in step S203 can also be realized by processing in which the predetermined relationship exemplified in
観測モデル情報:yt=Ht×xt+wt・・(式6)、
ただし、Htは、式5に例示された関係性に基づき作成された行列であり、たとえば、式7に例示されている行列である。ここでは、説明のため式2を式6のように記載した。
Observation model information: y t = H t × x t + w t (Equation 6)
However, H t is a matrix created based on the relationship illustrated in
ただし、a1は、第1観測装置153によって作成される観測情報を表す。
However, a1 represents the observation information created by the
この場合に、ステップS203に示された処理において、算出部203(または、予測部202)は、参照観測情報と、観測情報間における関係性(式5に例示)を含む観測モデル情報とに基づき、予測情報を作成する。式6及び式7に従った処理において、検査対象(この例では、第1観測装置153)によって作成された観測情報は、該予測情報には影響しない。すなわち、算出部203(または、予測部202)は、参照観測情報に基づき、検査対象に関する予測情報と、参照装置に関する予測情報とを作成する。 In this case, in the process shown in step S203, the calculation unit 203 (or the prediction unit 202) is based on the reference observation information and the observation model information including the relationship between the observation information (illustrated in Equation 5). , Create prediction information. In the processing according to Equation 6 and Equation 7, the observation information created by the inspection target (in this example, the first observation device 153) does not affect the prediction information. That is, the calculation unit 203 (or the prediction unit 202) creates prediction information related to the inspection target and prediction information related to the reference device based on the reference observation information.
算出部203は、該予測情報と、該観測情報とに基づき、モデル情報(式1及び式2に例示)におけるパラメタの値を調整する(ステップS204)。ステップS204における処理は、図2に示されたステップS103と同様な処理である。
Based on the prediction information and the observation information, the
算出部203は、検査対象に関する該観測情報と、該検査対象に関する該予測情報との間における差異が、シナリオに関して散らばっている程度を算出する(ステップS205)。ステップS205における処理は、図2に示されたステップS104と同様な処理である。
The
以降、ステップS206乃至ステップS208に示された処理が実行される。ステップS206乃至ステップS208に示された処理は、図2に示されたステップS105乃至ステップS107に示された処理と同様な処理である。 Thereafter, the processing shown in steps S206 to S208 is executed. The processes shown in steps S206 to S208 are similar to the processes shown in steps S105 to S107 shown in FIG.
ステップS203乃至ステップS208に示された処理について簡易的に説明すると、算出部203は、参照装置によって作成された参照観測情報に基づき、検査対象に関する予測情報を作成する。算出部203は、検査対象に関する予測情報と、該検査対象によって作成された観測情報との差異が、シナリオに関して散らばっている程度を算出する。判定部204は、算出部203が算出した程度に基づき、検査対象が異常であるか否かを判定する。
Briefly describing the processing shown in steps S203 to S208, the
その後、選択部205は、観測装置のうち、検査対象として選択していない観測装置があるか否かを判定する(ステップS209)。検査対象として選択していない観測装置がある場合に(ステップS209にてYES)、選択部205は、当該観測装置から、検査対象である観測装置を選択する(ステップS202)。検査対象として選択していない観測装置がない場合に(ステップS209にてNO)、異常判定装置201は、処理を終了する。すなわち、異常判定装置201は、異なる検査対象を選択し、選択した検査対象が異常であるか否かを判定する。
Thereafter, the
異常判定装置201は、ステップS207にて異常であると判定した場合に、ステップS202乃至ステップS209に示された処理を終了してもよい。
If the
すなわち、上述した処理によって、算出部203は、第1検査対象によって作成された第1観測情報に基づき、該第1検査対象とは異なる第2検査対象に関する観測ノイズ(すなわち、差異)を算出する。判定部204は、ステップS206乃至ステップS208に示された処理に従い、該第2検査対象が異常であるか否かを該程度に基づき算出する。
That is, by the processing described above, the
異常であるか否かを判定する検査対象は、必ずしも、1台の観測装置である必要はなく、複数台の観測装置であってもよい。また、異常判定装置201は、第1観測装置153によって観測された観測情報に基づき第1観測装置153に関する異常を判定する処理と、第2観測装置154によって観測された観測情報、及び、第3観測装置155によって観測された観測情報に基づき第1観測装置153に関する異常を判定する処理とを実行してもよい。この場合に、異常判定装置201は、たとえば、いずれかの処理にて異常と判定した場合に、第1観測装置153が異常であると判定してもよい。または、異常判定装置201は、たとえば、いずれの処理においても異常と判定した場合に、第1観測装置153が異常であると判定してもよい。また、観測装置は、2台であってもよいし、4台以上であってもよい。すなわち、検査対象である観測装置が3台以上である場合に、算出部203は、注目している検査対象に関する程度を、少なくとも、該注目している検査対象とは異なる観測装置によって作成された観測情報を含む複数の観測情報に基づき算出する。
The inspection object for determining whether or not there is an abnormality is not necessarily one observation device, and may be a plurality of observation devices. In addition, the
観測モデル情報は、式5乃至式7に例示されているような、検査対象に関する観測情報を参照しない処理でなくともよく、たとえば、異常判定装置201は、検査対象を含めた各観測装置によって観測された観測情報を用いて、該検査対象が異常であるか否かを判定してもよい。すなわち、異常判定装置201における処理は、上述した例に限定されない。
The observation model information may not be a process that does not refer to the observation information related to the inspection target as exemplified in
また、上述した各実施形態において、検査対象は、観測装置であるとしたが、一般的な装置であってもよい。 In the above-described embodiments, the inspection target is an observation device, but may be a general device.
次に、上述した各実施形態に係る異常判定装置を農業ICT(Information_and_Communication_Technology)に関する観測装置に適用する例を参照しながら、当該異常判定装置における処理について説明する。 Next, processing in the abnormality determination apparatus will be described with reference to an example in which the abnormality determination apparatus according to each embodiment described above is applied to an observation apparatus related to agriculture ICT (Information_and_Communication_Technology).
農業ICTにおいては、作物が栽培される圃場に、多くの観測装置が設定されることが多い。該観測装置は、たとえば、温度を観測する装置、湿度を観測する装置、風向または風速を装置、雨量を観測する装置、照度を観測する装置、圃場における土壌の温度を観測する装置、該土壌に含まれている水分量を観測する装置、該圃場に関する撮像装置(カメラ)等である。圃場が広大である場合に、これらの装置は、お互いに数十キロメートル離れた位置に設置されることもある。したがって、これらの装置を検査するためには、検査を実施するたびに各装置が設置されている場所に行くことが必要な場合があるので、該装置の検査には、多くの時間が必要である。さらに、各装置に関する検査方法が該装置ごとに異なっているので、すべての観測装置の検査には非常に多くの手間を要する。 In agriculture ICT, many observation devices are often set in a field where crops are grown. The observation device includes, for example, a device for observing temperature, a device for observing humidity, a device for measuring wind direction or speed, a device for observing rainfall, a device for observing illuminance, a device for observing the temperature of soil in a field, An apparatus for observing the amount of water contained therein, an imaging apparatus (camera) relating to the field, and the like. When the field is vast, these devices may be installed at positions that are tens of kilometers away from each other. Therefore, in order to inspect these devices, it may be necessary to go to the place where each device is installed each time the inspection is performed. Therefore, it takes a lot of time to inspect the devices. is there. Furthermore, since the inspection method for each device is different for each device, it takes a lot of labor to inspect all the observation devices.
上述した各実施形態に示された異常判定装置によって、上述したような時間、手間等のコストを低減することができる。この理由は、検査対象がいずれの観測装置であっても、異常判定装置を用いた検査を実施することによって、該観測装置の種類によらずに異常を判定することができるからである。また、各実施形態に示された異常判定装置によって、観測装置に関する異常を早期に判定することができる。異常判定装置によって検査対象が異常であると判定された場合には、当該検査対象に関する異常に対して早期に対処することによって、当該検査対象が稼働していない(failしている)時間を低減することができる。 Costs such as time and labor as described above can be reduced by the abnormality determination device shown in each embodiment described above. This is because an abnormality can be determined regardless of the type of the observation apparatus by performing an inspection using the abnormality determination apparatus regardless of which observation apparatus is the inspection object. Moreover, the abnormality determination apparatus shown in each embodiment can determine an abnormality related to the observation apparatus at an early stage. When it is determined that the inspection target is abnormal by the abnormality determination device, the time during which the inspection target is not operating (failed) is reduced by addressing the abnormality related to the inspection target early. can do.
また、農業ICTに第2の実施形態に係る異常判定装置201を適用する場合に、異常判定装置201は、複数の観測装置によって観測された観測情報間における関係性に基づき、観測装置に関する異常を判定する。異常判定装置201は、式6に例示された観測モデル情報に基づき算出される観測ノイズを用いて、検査対象である観測装置によって作成される観測情報を校正してもよい。これによって、該観測装置の耐用期間を延ばすことができる。
Moreover, when applying the
農業ICTに限らず、上述した各実施形態に係る異常判定装置を用いて、加速度を観測する装置、ジャイロセンサ、気圧を観測する装置、温度を観測する装置等を有する航空機に関する異常を判定してもよい。各実施形態に係る異常判定装置を用いて、温度を観測する装置、流量を観測する装置、タービンの回転数を観測する装置、電圧を観測する装置、電流を観測する装置等を有する発電所に関する異常を判定してもよい。当該異常を判定する装置を適用する先は上述した例に限定されない。 Not only for agricultural ICT, but using the abnormality determination device according to each of the above-described embodiments, it is possible to determine abnormality relating to an aircraft having an apparatus for observing acceleration, a gyro sensor, an apparatus for observing atmospheric pressure, an apparatus for observing temperature, etc. Also good. The present invention relates to a power plant having an apparatus for observing temperature, an apparatus for observing a flow rate, an apparatus for observing the rotational speed of a turbine, an apparatus for observing a voltage, an apparatus for observing an electric current, etc., using the abnormality determination apparatus according to each embodiment. An abnormality may be determined. The application destination of the apparatus for determining the abnormality is not limited to the above-described example.
次に、本発明の第2の実施形態に係る異常判定装置201に関する効果について説明する。
Next, effects related to the
第2の実施形態に係る異常判定装置201によれば、検査対象に関する異常を正確に判定することができる。この理由は、第1の実施形態にて説明した理由と同様である。
According to the
さらに、第2の実施形態に係る異常判定装置201によれば、検査対象に関する異常を、より一層正確に判定することができる。この理由は、複数種類の観測情報に基づき差異が散らばっている程度を算出することによって、該観測情報に含まれている誤差の影響を相互に低減することができるからである。
Furthermore, according to the
<第3の実施形態>
次に、本発明の第3の実施形態について説明する。<Third Embodiment>
Next, a third embodiment of the present invention will be described.
図5を参照しながら、本発明の第3の実施形態に係る異常判定装置301が有する構成について詳細に説明する。図5は、本発明の第3の実施形態に係る異常判定装置301が有する構成を示すブロック図である。
With reference to FIG. 5, the configuration of the
第3の実施形態に係る異常判定装置301は、算出部302と、判定部303とを有する。
The
異常判定装置301は、式1及び式2等を参照しながら説明したような、検査対象に関する状態が変化する態様を表す、シナリオを予測する予測装置304に接続、または、通信可能に接続されている。予測装置304は、式1及び式2等を参照しながら説明したような処理を実行することによって、該検査対象に関する状態(「予測状態」と表す)を予測し、該予測状態を表す予測情報を作成する。異常判定装置301は、予測装置304が予測した予測情報を入力する。予測情報は、たとえば、式2においては、モデル情報htに従い算出されたht(xt)を表す。The
次に、図6を参照しながら、本発明の第3の実施形態に係る異常判定装置301における処理について詳細に説明する。図6は、第3の実施形態に係る異常判定装置301における処理の流れを示すフローチャートである。
Next, processing in the
異常判定装置301は、検査対象によって観測対象に関して観測された観測情報を入力する。観測情報は、たとえば、各実施形態にて上述したような観測装置(図1における観測装置152、図3における第1観測装置153、第2観測装置154、第3観測装置155等)によって、該観測対象に関して作成された情報である。観測情報は、たとえば、式2に例示された観測ベクトルytを表す。The
算出部302は、入力した観測情報と、入力した予測情報との差異が、シナリオに関して散らばっている程度を算出する(ステップS301)。たとえば、算出部302は、該差異を表す数値を算出し、算出した値の分散値を算出することによって、該程度を算出してもよい。または、たとえば、算出部302は、差異の平均値を算出し、算出した平均値に当該差異が近い順に所定の個数分の該差異の範囲を算出することによって、該程度を算出してもよい。該所定の個数は、たとえば、該散らばっている程度を算出する検査対象である差異の個数に対して、所定の割合(80%、95%等)分の個数である。該差異が式3に例示されているような正規分布等の所定の関係性に従い分布している場合に、算出部302は、所定の個数分の差異を、該差異が0に近い順に決定し、決定した該差異の範囲を求めることによって、該差異が散らばっている程度を算出してもよい。算出部302が該程度を算出する処理は、上述した例に限定されない。
The
判定部303は、算出部302が算出した程度に基づき、観測情報を作成した検査対象(不図示)が異常であるか否かを判定する(ステップS302)。判定部303は、たとえば、該程度が所定のノイズ以上である場合に、該検査対象が異常であると判定する。判定部303は、たとえば、該程度が所定のノイズ未満である場合に、該検査対象が正常であると判定する。
Based on the degree calculated by the
算出部302が有する機能は、図1に示された算出部103、または、図3に示された算出部203が有する機能によって実現することができる。判定部303が有する機能は、図1に示された判定部104、または、図3に示された判定部204が有する機能によって実現することができる。したがって、異常判定装置301は、図1に示された異常判定装置101、または、図3に示された異常判定装置201が有する機能によって実現することができる。
The functions of the
次に、本発明の第3の実施形態に係る異常判定装置301に関する効果について説明する。
Next, effects related to the
第3の実施形態に係る異常判定装置301によれば、検査対象に関する異常を正確に判定することができる。この理由は、第1の実施形態にて説明した理由と同様である。
According to the
(ハードウェア構成例)
上述した本発明の各実施形態に係る異常判定装置を、1つの計算処理装置(情報処理装置、コンピュータ)を用いて実現するハードウェア資源の構成例について説明する。但し、係る異常判定装置は、物理的または機能的に少なくとも2つの計算処理装置を用いて実現されてもよい。また、係る異常判定装置は、専用の装置として実現されてもよい。(Hardware configuration example)
A configuration example of hardware resources that realizes the abnormality determination device according to each embodiment of the present invention described above using one calculation processing device (information processing device, computer) will be described. However, the abnormality determination device may be realized using at least two calculation processing devices physically or functionally. Further, the abnormality determination device may be realized as a dedicated device.
図7は、本発明の各実施形態に係る異常判定装置を実現可能な計算処理装置のハードウェア構成例を概略的に示すブロック図である。計算処理装置20は、中央処理演算装置(Central_Processing_Unit、以降「CPU」と表す)21、メモリ22、ディスク23、不揮発性記録媒体24、及び、通信インターフェース(以降、「通信IF」と表す)27を有する。計算処理装置20は、入力装置25、出力装置26に接続可能であってもよい。計算処理装置20は、通信IF27を介して、他の計算処理装置、及び、通信装置と情報を送受信することができる。
FIG. 7 is a block diagram schematically showing a hardware configuration example of a calculation processing device capable of realizing the abnormality determination device according to each embodiment of the present invention. The
不揮発性記録媒体24は、コンピュータが読み取り可能な、たとえば、コンパクトディスク(Compact_Disc)、デジタルバーサタイルディスク(Digital_Versatile_Disc)である。また、不揮発性記録媒体24は、ユニバーサルシリアルバスメモリ(USBメモリ)、ソリッドステートドライブ(Solid_State_Drive)等であってもよい。不揮発性記録媒体24は、電源を供給しなくても係るプログラムを保持し、持ち運びを可能にする。不揮発性記録媒体24は、上述した媒体に限定されない。また、不揮発性記録媒体24の代わりに、通信IF27、及び、通信ネットワークを介して係るプログラムを持ち運びしてもよい。
The
すなわち、CPU21は、ディスク23に格納されているソフトウェア・プログラム(コンピュータ・プログラム:以下、単に「プログラム」と称する)を、実行する際にメモリ22にコピーし、演算処理を実行する。CPU21は、プログラム実行に必要なデータをメモリ22から読み取る。表示が必要な場合に、CPU21は、出力装置26に出力結果を表示する。外部からプログラムを入力する場合に、CPU21は、入力装置25からプログラムを読み取る。CPU21は、上述した図1、図3、または、図5に示す各部が表す機能(処理)に対応するところのメモリ22にある異常判定プログラム(図2、図4、または、図6)を解釈し実行する。CPU21は、上述した本発明の各実施形態において説明した処理を順次実行する。
That is, the
すなわち、このような場合に、本発明は、係る異常判定プログラムによっても成し得ると捉えることができる。さらに、係る異常判定プログラムが記録されたコンピュータが読み取り可能な不揮発性の記録媒体によっても、本発明は成し得ると捉えることができる。 That is, in such a case, it can be understood that the present invention can also be achieved by such an abnormality determination program. Furthermore, it can be understood that the present invention can also be realized by a computer-readable non-volatile recording medium in which the abnormality determination program is recorded.
以上、上述した実施形態を模範的な例として本発明を説明した。しかし、本発明は、上述した実施形態には限定されない。すなわち、本発明は、本発明のスコープ内において、当業者が理解し得る様々な態様を適用することができる。 The present invention has been described above using the above-described embodiment as an exemplary example. However, the present invention is not limited to the above-described embodiment. That is, the present invention can apply various modes that can be understood by those skilled in the art within the scope of the present invention.
この出願は、2017年2月7日に出願された日本出願特願2017−020480を基礎とする優先権を主張し、その開示の全てをここに取り込む。 This application claims the priority on the basis of Japanese application Japanese Patent Application No. 2017-020480 for which it applied on February 7, 2017, and takes in those the indications of all here.
101 異常判定装置
102 予測部
103 算出部
104 判定部
105 情報記憶部
151 表示部
152 観測装置
201 異常判定装置
202 予測部
203 算出部
204 判定部
205 選択部
206 情報記憶部
153 第1観測装置
154 第2観測装置
155 第3観測装置
301 異常判定装置
302 算出部
303 判定部
304 予測装置
20 計算処理装置
21 CPU
22 メモリ
23 ディスク
24 不揮発性記録媒体
25 入力装置
26 出力装置
27 通信IFDESCRIPTION OF
22
Claims (10)
前記算出手段が算出した前記程度に基づき、前記検査対象が異常であるか否かを判定する判定手段と
を備える異常判定装置。A calculation means for calculating the degree to which the difference between the prediction information predicted according to the scenario representing the state in which the state related to the observation object changes and the observation information created by the inspection object with respect to the observation object is scattered,
An abnormality determination apparatus comprising: determination means for determining whether or not the inspection object is abnormal based on the degree calculated by the calculation means.
をさらに備え、
前記予測手段は、作成した前記予測情報と、該予測情報と前記観測情報との間における差異と、に対する前記観測情報の生じやすさに基づき、前記差異を算出する
請求項1に記載の異常判定装置。A prediction unit for generating the prediction information;
The abnormality determination according to claim 1, wherein the prediction unit calculates the difference based on the generated prediction information and the difference between the prediction information and the observation information based on the likelihood of the observation information. apparatus.
請求項2に記載の異常判定装置。The prediction means creates, as the prediction information, prediction information in a period including the plurality of timings based on prediction information predicted for the state of the observation target at a plurality of timings, and is generated in the period by the inspection target The abnormality determination device according to claim 2, wherein first observation information is created as the observation information.
前記判定手段は、前記第2タイミングに関して算出した前記程度が、前記第1タイミングに関して算出した前記程度よりも所定の閾値以上大きい場合には、前記検査対象が異常であると判定する
請求項3に記載の異常判定装置。The calculating means calculates the degree with respect to a first timing and a second timing after the first timing;
The determination unit determines that the inspection target is abnormal when the degree calculated with respect to the second timing is larger than the degree calculated with respect to the first timing by a predetermined threshold or more. The abnormality determination device described.
請求項1乃至請求項3のいずれかに記載の異常判定装置。The abnormality determination device according to any one of claims 1 to 3, wherein the calculation unit determines that the inspection target is abnormal when the degree is equal to or greater than a predetermined degree.
前記判定手段は、前記第2検査対象が異常であるか否かを判定する
請求項1乃至請求項5のいずれかに記載の異常判定装置。The calculation means calculates the degree related to a second inspection object different from the first inspection object based on the observation information created by the first inspection object;
The abnormality determination device according to any one of claims 1 to 5, wherein the determination unit determines whether or not the second inspection target is abnormal.
請求項6に記載の異常判定装置。When there are three or more inspection objects, the calculation means relates to the second inspection object based on a plurality of the observation information including the observation information created by an inspection object different from the second inspection object. The abnormality determination device according to claim 6, wherein the degree is calculated.
異常判定方法。The degree to which the difference between the prediction information predicted according to the scenario representing the state in which the state related to the observation target changes by the information processing device and the observation information created by the inspection target regarding the observation target is scattered is calculated. An abnormality determination method for determining whether or not the inspection object is abnormal based on the calculated degree.
前記算出機能において算出された前記程度に基づき、前記検査対象が異常であるか否かを判定する判定機能と
をコンピュータに実現させる異常判定プログラムが記録された記録媒体。A calculation function for calculating the degree to which the difference between the prediction information predicted according to the scenario representing the state in which the state related to the observation target changes and the observation information created by the inspection target regarding the observation target is scattered,
A recording medium on which an abnormality determination program for causing a computer to realize a determination function for determining whether or not the inspection target is abnormal based on the degree calculated by the calculation function.
をさらに実現させ、
前記予測機能においては、作成された前記予測情報と、該予測情報と前記観測情報との間における差異と、に対する前記観測情報の生じやすさに基づき、前記差異を算出する
請求項9に記載の異常判定プログラムが記録された記録媒体。Further realizing a prediction function for creating the prediction information,
The said prediction function calculates the said difference based on the said prediction information produced, and the difference between this prediction information and the said observation information, and the occurrence of the said observation information. A recording medium on which an abnormality determination program is recorded.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017020480 | 2017-02-07 | ||
JP2017020480 | 2017-02-07 | ||
PCT/JP2018/003767 WO2018147215A1 (en) | 2017-02-07 | 2018-02-05 | Abnormality determination device, abnormality determination method, and recording medium on which abnormality determination program is recorded |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2018147215A1 true JPWO2018147215A1 (en) | 2019-12-12 |
JP6795044B2 JP6795044B2 (en) | 2020-12-02 |
Family
ID=63108229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018567412A Active JP6795044B2 (en) | 2017-02-07 | 2018-02-05 | Abnormality judgment device, abnormality judgment method, and abnormality judgment program |
Country Status (4)
Country | Link |
---|---|
US (1) | US11156476B2 (en) |
EP (1) | EP3582052A4 (en) |
JP (1) | JP6795044B2 (en) |
WO (1) | WO2018147215A1 (en) |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS59154320A (en) | 1983-02-23 | 1984-09-03 | Toshiba Corp | Abnormality diagnosing method of sensor group |
JPS59196418A (en) * | 1983-04-22 | 1984-11-07 | Nissan Motor Co Ltd | Erroneous-operation preventing method for automobile sensor |
JPS61145415A (en) * | 1984-12-19 | 1986-07-03 | Hitachi Ltd | Abnormality diagnosing apparatus |
JPH03138528A (en) * | 1989-10-25 | 1991-06-12 | Mitsubishi Heavy Ind Ltd | Sensor abnormality detecting method |
JP2003270193A (en) * | 2002-03-18 | 2003-09-25 | Toyota Motor Corp | Diagnostic device of sensor abnormality |
US7203431B2 (en) * | 2003-12-26 | 2007-04-10 | Ricoh Company, Ltd. | Abnormality determining method, abnormality determining apparatus, and image forming apparatus |
US7676287B2 (en) * | 2004-03-03 | 2010-03-09 | Fisher-Rosemount Systems, Inc. | Configuration system and method for abnormal situation prevention in a process plant |
US8515719B2 (en) * | 2009-01-14 | 2013-08-20 | Hitachi, Ltd. | Apparatus anomaly monitoring method and system |
JP5297272B2 (en) | 2009-06-11 | 2013-09-25 | 株式会社日立製作所 | Device abnormality monitoring method and system |
JP5501903B2 (en) * | 2010-09-07 | 2014-05-28 | 株式会社日立製作所 | Anomaly detection method and system |
JP5831558B2 (en) * | 2012-01-23 | 2015-12-09 | 日本電気株式会社 | Operation management apparatus, operation management method, and program |
JP2014182694A (en) | 2013-03-21 | 2014-09-29 | Fujitsu Ltd | Device, method, and program for sensor failure detection |
JP6276732B2 (en) | 2015-07-03 | 2018-02-07 | 横河電機株式会社 | Equipment maintenance management system and equipment maintenance management method |
JP6580401B2 (en) | 2015-07-15 | 2019-09-25 | 愛三工業株式会社 | Canister |
-
2018
- 2018-02-05 JP JP2018567412A patent/JP6795044B2/en active Active
- 2018-02-05 US US16/479,256 patent/US11156476B2/en active Active
- 2018-02-05 EP EP18750969.0A patent/EP3582052A4/en active Pending
- 2018-02-05 WO PCT/JP2018/003767 patent/WO2018147215A1/en unknown
Also Published As
Publication number | Publication date |
---|---|
WO2018147215A1 (en) | 2018-08-16 |
US11156476B2 (en) | 2021-10-26 |
JP6795044B2 (en) | 2020-12-02 |
EP3582052A4 (en) | 2020-02-26 |
EP3582052A1 (en) | 2019-12-18 |
US20190383641A1 (en) | 2019-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108700852B (en) | Model parameter value estimation device, model parameter value estimation method, recording medium, and model parameter value estimation system | |
CN110197288B (en) | Method for predicting residual service life of equipment under influence of faults | |
JP2017120649A (en) | Machine learning method and machine learning device for learning fault condition, and fault prediction device and fault prediction system including machine learning device | |
US10627265B2 (en) | Sensor assignment apparatus and sensor diagnostic apparatus | |
JP2017532253A (en) | Method for predicting variables affecting vehicle behavior and corresponding virtual sensors | |
US11423321B2 (en) | Method and system for predicting system status | |
WO2019045699A1 (en) | Recurrent gaussian mixture model for sensor state estimation in condition monitoring | |
JP2016031714A (en) | Multiple regression analysis device and multiple regression analysis method | |
CN111859743A (en) | Structure dynamic displacement estimation method and device based on acceleration response | |
US10923213B2 (en) | Latent space harmonization for predictive modeling | |
CN117392241B (en) | Sensor calibration method and device in automatic driving and electronic equipment | |
JP2020129233A5 (en) | ||
JP6795044B2 (en) | Abnormality judgment device, abnormality judgment method, and abnormality judgment program | |
US20210089962A1 (en) | Information processing device, information processing method, and recording medium | |
WO2018198267A1 (en) | Causal relationship learning method, program, device, and abnormality analysis system | |
CN110442142B (en) | Speed data processing method and device, electronic equipment and computer readable medium | |
Villaverde et al. | Structural identifiability analysis via extended observability and decomposition | |
TW202242958A (en) | Data collection system, data collection device, data collection method, and data collection program | |
WO2021046723A1 (en) | Sensor model generation method and system, and sensor measurement method and system | |
WO2015071925A1 (en) | Analysis device, analysis method, and analysis program | |
CN110879530A (en) | Method for the secure training of dynamic models | |
JP7353536B1 (en) | Crack growth prediction device, crack inspection system, and crack growth prediction method | |
KR101530127B1 (en) | Method for operation of building using Gaussian process emulator | |
WO2021108960A1 (en) | Method and apparatus for sensor measurements processing | |
JP2014035679A (en) | Acoustic vibration analysis method and acoustic vibration analysis device for vehicle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190703 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190703 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200526 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200630 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20201013 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201026 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6795044 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |